Труды КНЦ (Естественные и гуманитарные науки вып.2/2023(2))

Научная статья УДК 523.982, 004.032.26 doi:10.37614/2949-1185.2023.2.2.003 ПРЕДСКАЗАНИЕ ВРЕМЕННЫХ РЯДОВ СОЛНЕЧНОЙ АКТИВНОСТИ С ПОМОЩЬЮ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ LSTM Борис Владимирович Козелов Полярный геофизический институт, Апатиты, Россия, boris.kozelov@gmail.com, https://orcid.org/0000-0003-2738-2443 Аннотация Построена численная модель предсказания параметров солнечной активности — числа солнечных пятен R и потока радиоизлучения на волне 10,7 см F\oj вперед на 27 суток. Численная модель использует искусственную нейронную сеть (ИНС) с LSTM (Long short-term memory) слоями. Какдля числа солнечных пятен, так и для потока радиоизлучения модель предсказывает уровни и пределы вариации значений на 27 дней. Средняя абсолютная ошибка предсказания модели составляет менее 6 %. Модель в реальном времени реализована на сайте http://aurora.pgia.ru и может быть дополнением кдолгосрочным прогнозам других интернет-ресурсов. Ключевые слова: солнечная активность, искусственные нейронные сети, прогноз Благодарности: работа поддержана РНФ, проект № 22-12-20017. Автор благодарит GSFC/SPDF OMNIWeb за подготовку использованных в статье данных. Original article PREDICTION OF SOLAR ACTIVITY TIME SERIES USING LSTM ARTIFICIAL NEURAL NETWORK Boris V. Kozelov Polar Geophysical Institute, Apatity, Murmansk region, Russia, boris.kozelov@gmail.com, https://orcid.org/0000-0003-2738-2443 Abstract A numerical model for predicting the parameters of solar activity — the number of sunspots R and the radioflux at a wave of 10.7 cm F 10.7 ahead for 27 days — has been built. The numerical model uses an artificial neural network (NN) with LSTM (Long short-term memory) layers. For both the number of sunspots and the radioflux, the model predicts the levels and limits of variation of the values for 27 days. The average absolute prediction error of the model is less than 6 %. The real-time model is implemented on the site http://aurora.pgia.ru and can be an addition to long-term forecasts of other INTERNET resources. Keywords: solar activity, artificial neural networks, forecast Acknowledgments: the work was supported by the Russian Science Foundation, project No. 22-12-20017. The author thanks GSFC/SPDF OMNIWeb for preparing the data used in the article. Введение Солнце влияет на все, что находится на Земле, поэтому характеристики солнечной активности входят как основные параметры в модели окружающей среды, используемые в геофизике. Для моделей верхних слоев атмосферы, ионосферы и магнитосферы непосредственно солнечную активность характеризуют двумя индексами: число солнечных пятен R и F w j — среднесуточное значение потока радиоизлучения на волне 10,7 см. Эти индексы необходимо знать как в текущее время, так и уметь их предсказывать для прогностических моделей. Индекс R характеризует изменения температуры и плотности на всем видимом диске Солнца. Его изменения хорошо коррелируют с изменениями чисел Вольфа и суммарной площади пятен и являются удобной ежедневной характеристикой солнечной активности (S ILSO ...). Ежедневные измерения интегрированного излучения от солнечного диска на частоте 2800 МГц (длине волны 10,7 см) выполняются по программе радиомониторинга Солнца, осуществляемой Национальным исследовательским советом Канады с 1947 г. До 31 мая 1991 г. наблюдения проводились в Алгонкинская радиообсерватории (Algonquin) недалеко от Оттавы. С 1 июня 1991 г. наблюдения ведутся в радиоастрофизической обсерватории, расположенной недалеко от Пентиктона (Penticton), Британская Колумбия. В данной работе представляется численная модель, позволяющая прогнозировать значения этих индексов вперед на 27 дней (1 солнечные сутки). Модель использует искусственную нейронную сеть и в реальном времени реализована на сайте http://aurora.pgia.ru. Прогноз данной модели может быть дополнением к долгосрочным прогнозам других интернет-ресурсов, например, в работе (S o la r.). Труды Кольского научного центра РАН. Серия: Естественные и гуманитарные науки. 2023. Т. 2, № 2. С. 19-24. Transactions of the Kola Science Centre of RAS. Series: Natural Sciences and Humanities. 2023. Vol. 2, No. 2. P. 19-24. © Козелов Б. В., 2023 19